4. Yapay Zekâ ile Çalışmanın Bilişsel Çerçevesi

Önceki üç bölüm aracın nasıl çalıştığını ele aldı. Bu bölüm, aracı kullanan insanı ele alıyor. Sorulacak soru şudur: yapay zekâ ile çalışırken zihinsel iş bölümü nasıl kurulmalıdır?

Bu soru teknik değil, yöntemsel bir sorudur; ancak sonuçları en az teknik seçimler kadar belirleyicidir. Aynı modeli kullanan iki kişiden biri işini hızlandırırken diğeri yavaşlatabilir, hatta uzun vadede kendi yetkinliğini aşındırabilir. Farkı yaratan model değil, kurulan çalışma ilişkisidir.

4.1 Rahatsız Edici Bir Bulgu

2025 yılında METR adlı bağımsız araştırma kuruluşu, yapay zekânın yazılım geliştirme verimliliğine etkisini ölçmek için randomize kontrollü bir deney yürüttü. Deneyde, kendi depolarında çalışan on altı deneyimli açık kaynak geliştiricisi, 246 gerçek görevi rastgele atanan iki koşulda tamamladı: yapay zekâ kullanımına izin verilen ve verilmeyen.

Sonuç beklenenin tersi çıktı. Yapay zekâ kullanmalarına izin verilen geliştiriciler görevleri yüzde on dokuz daha uzun sürede tamamladı. Araştırmacılar, hızlanma beklediklerini açıkça belirtmişlerdi.

Ancak çalışmanın asıl önemli bulgusu bu değildir. Katılımcılar deney öncesinde yapay zekânın kendilerini yaklaşık dörtte bir oranında hızlandıracağını tahmin etmişlerdi. Yavaşlamayı bizzat yaşadıktan sonra bile, yapay zekânın kendilerini yaklaşık beşte bir oranında hızlandırdığına inanmaya devam ettiler. Ölçülen gerçeklik ile algılanan gerçeklik arasında yaklaşık kırk puanlık bir açıklık oluştu.

Çalışmanın Sınırları — ve Araştırmacıların Kendi Uyarısı

Bu bulguyu bir kesinlik olarak sunmak, kitabın metodolojik ilkesine aykırı olurdu. Çalışmanın kapsamı dardır: on altı geliştirici, milyon satırı aşan olgun kod tabanları, ve 2025'in ilk yarısındaki araç kuşağı. Yeni projelerde, tekrar eden kod üretiminde veya test yazımında aynı araçların belirgin hızlanma sağladığı da rapor edilmiştir.

Daha önemlisi, araştırmacılar 2026 başında kendi deney tasarımlarını sorguladılar. Yeni deneylerinin güvenilir bir sinyal vermediğini açıkladılar: yapay zekâsız çalışmayı kabul etmeyen geliştiricilerin katılımdan çekilmesi, örneklemi sistematik olarak saptırıyordu. Kendi ifadeleriyle, 2026 başı itibarıyla geliştiricilerin muhtemelen 2025 tahminlerinden daha fazla hızlandığını düşünüyorlardı.

Kaynak: METR — "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (Becker, Rush, Barnes, Rein) ve METR'in 2026 tarihli deney tasarımı güncellemesi: https://metr.org/blog/2026-02-24-uplift-update/ — 25 Ağustos 2026 itibarıyla doğrulanmıştır.

Bu ek bilgi bulguyu geçersiz kılmaz; onu doğru konumlandırır. Araştırmacıların kendi çalışmalarının sınırlarını açıkça ilan etmesi, bilimsel dürüstlüğün örnek bir uygulamasıdır ve bu kitabın da izlediği ilkedir. Ölçülen hız farkı tartışmalıdır; ancak algı ile ölçüm arasındaki açıklık bulgusu, bağımsız olarak dikkate değerdir.

4.2 Neden Hızlandığımızı Sanırız?

Algı açıklığının mekanizması anlaşılabilir bir yapıdadır. Yapay zekâ ile çalışırken hız hissini yaratan an, metnin ekranda hızla belirdiği andır. Bu an canlı, somut ve tatmin edicidir.

Buna karşılık maliyet, dağınık ve görünmez biçimde sonraya yayılır: çıktının okunması, doğrulanması, düzeltilmesi; yanlış yönlendiren bir öneri yüzünden kaybedilen süre; sonradan fark edilen bir hatanın geri dönüş maliyeti. Bu kalemler zihinde "yapay zekânın maliyeti" olarak etiketlenmez; işin normal parçası olarak algılanır.

Sonuç, sistematik bir muhasebe hatasıdır: kazanç görünür ve toplu, maliyet görünmez ve dağınıktır.

4.3 Bilişsel Boşaltım ve Yetkinlik Aşınması

İkinci bir araştırma hattı, daha uzun vadeli bir etkiyi inceler: bilişsel boşaltım (cognitive offloading). Bu terim, zihinsel bir işi dışarıdaki bir sisteme devretmeyi tanımlar. Not defteri, hesap makinesi ve arama motoru da bilişsel boşaltım araçlarıdır; olgunun kendisi yeni veya zararlı değildir.

Ancak yapılan çalışmalar, yapay zekâ araçlarının sık kullanımı ile eleştirel düşünme başarımı arasında negatif bir ilişki bildirmektedir; bu ilişkide bilişsel boşaltımın aracı rol oynadığı öne sürülmüştür. Etkinin genç yaş gruplarında daha belirgin olduğu, buna karşılık eğitim düzeyinin koruyucu bir etken işlevi gördüğü rapor edilmiştir.

Öğrenme bağlamında yapılan bir başka çalışma daha somut bir tablo çizer. Bir programlama kütüphanesini öğrenen katılımcılarla yürütülen randomize deneyde, yapay zekâ destekli grup kavrama testlerinde manuel çalışan gruba göre belirgin biçimde düşük puan almıştır. En büyük düşüş hata ayıklama sorularında görülmüştür — yani yapay zekâ çıktısını denetlemek için en çok ihtiyaç duyulan becerinin, devretme sonucunda en hızlı aşınan beceri olması gibi bir sonuç ortaya çıkmıştır.

Kaynaklar: Gerlich, M. (2025), Societies dergisi; Microsoft ve Carnegie Mellon Üniversitesi araştırmacılarının bilgi çalışanları üzerine 2025 tarihli çalışması; MIT Media Lab'in yazma görevlerinde beyin etkinliğini ölçen çalışması. Bu bulgular gözlemsel ve deneysel çalışmaların bir karışımıdır; korelasyonel bulguların nedensellik olarak okunmaması gerekir. Doğrulama tarihi: 25 Ağustos 2026.

Yine de bu araştırma hattının pratik mesajı, nedensellik tartışmasından bağımsız olarak geçerlidir: yapay zekâya neyi devrettiğiniz, uzun vadede neyi yapabilir kaldığınızı belirler. Ve bu bir kader değil, bir tercih meselesidir.

4.4 İki Çalışma Modeli

Yapay zekâ ile çalışmanın iki temel biçimi vardır. Bunları ayırt etmek, bu bölümün en pratik çıktısıdır.

İki model de meşrudur ve her ikisinin de yeri vardır. Hata, birini diğerinin yerine kullanmaktır: rutin bir biçimlendirme işi için ortaklık kurmak zaman kaybıdır; tezinizin kuramsal çerçevesini devretmek ise başka bir şeydir.

Ayırt Edici Soru

Bir işi devretmeden önce sorulacak tek soru şudur: bu işin sonucundan kim sorumlu? Sonuç sizin adınızla anılacaksa — makale, rapor, hesap, tasarım, ders — ortaklık modeli zorunludur. Devretme, sorumluluğu devretmez.

Şekil 4.1 — İki çalışma modeli. Devretmede denetim noktası yoktur.

4.5 Otomasyon Yanlılığı

Havacılık ve tıp alanlarında onlarca yıldır incelenen bir olgu, yapay zekâ kullanımında da karşımıza çıkar: otomasyon yanlılığı. İnsanlar, otomatik bir sistemin önerisini, kendi yargılarına aykırı olduğunda bile kabul etme eğilimindedir. Sistem çoğu zaman doğru olduğunda bu eğilim güçlenir; nadir hata anında ise en tehlikeli hale gelir.

Araştırma bulguları, yetkin görünen yapay zekâ önerilerine aşırı güvenin yansıtıcı değerlendirmeyi baskıladığını ve özgüveni yanlış kalibre ettiğini göstermektedir; bu etkinin zaman baskısı ve karmaşıklık altında arttığı bildirilmiştir.

Yapay zekâ bağlamında otomasyon yanlılığını besleyen ek bir etken vardır: dil kalitesi. Bölüm 2'de gördüğümüz gibi, modelin akıcılığı ile doğruluğu arasında mekanik bir bağ yoktur. Ancak insan zihni için akıcı, iyi yapılandırılmış ve kendinden emin bir metin, yetkinlik işaretidir. Model, yanlış olduğunda da doğru olduğu kadar iyi yazar.

4.6 Homojenleşme Riski

Daha az konuşulan bir etki, üretilen içeriğin tekdüzeleşmesidir. Araştırmalar, dil modelleriyle birlikte yazmanın kullanıcıların görüşlerini modelin tercih ettiği yöne kaydırdığını ve içeriği homojenleştirdiğini bildirmektedir.

Bu, akademik ve yaratıcı çalışmalar için özellikle önemlidir. Bir modelin ürettiği metin, eğitim verisindeki merkezi eğilimi yansıtır; özgün, aykırı veya alana özgü bakış açıları bu merkeze doğru çekilir. Metniniz akıcılaşırken ayırt ediciliğini kaybedebilir.

Karşı önlem, modelin çıktısını başlangıç noktası değil, karşılaştırma noktası olarak kullanmaktır: önce kendi taslağınızı yazın, sonra modele eleştirtin. Sıralamayı tersine çevirmek, sonucu belirgin biçimde değiştirir.

4.7 Uygulanabilir Bir Çalışma Düzeni

Aşağıdaki düzen, bu bölümdeki bulguların pratik karşılığıdır. Bu kitabın yazım sürecinde de uygulanmıştır.

• Önce kendiniz düşünün: Soruyu modele sormadan önce, kendi ön cevabınızı veya en azından yaklaşımınızı belirleyin. Bu, hem otomasyon yanlılığını hem homojenleşmeyi azaltır.
• İşi sınıflandırın: Bu iş devredilebilir mi, yoksa ortaklık mı gerektiriyor? Sorumluluk testini uygulayın.
• Kısıtları siz koyun: Modele ne yapacağını değil, hangi sınırlar içinde çalışacağını söyleyin. Kısıt koymak, sizin bilişsel katkınızın asıl yeridir.
• Ara adımları görün: Uzun bir işte yalnızca nihai çıktıyı değil, modelin yaklaşımını da isteyin. Süreci görmeyen, sapmayı fark edemez.
• Doğrulayın: Bölüm 2.8'deki protokolü uygulayın. Devrettiğiniz iş, doğrulama yükümlülüğünü devretmez.
• Ölçün, hissetmeyin: Verimlilik kazancınızı ara ara gerçekten ölçün. METR bulgusu, hissin güvenilmez olduğunu göstermektedir.
• Beceriyi koruyun: Aşınmasını istemediğiniz becerileri düzenli olarak yardımsız kullanın. Hangi becerinin kritik olduğuna siz karar verin.

Yedinci Madde Üzerine

Son madde, bilinçli bir tercih gerektirir. Her beceriyi korumak ne mümkün ne gereklidir; kimse artık logaritma cetveli kullanmayı öğrenmiyor. Sorulacak soru şudur: hangi becerinin kaybı beni, yapay zekânın hatasını fark edemeyecek hale getirir?

Bu soru her meslek için farklı yanıtlanır. Ancak genel kural şudur: denetleme becerisi, üretim becerisinden daha kritiktir. Bir metni sıfırdan yazma hızınızı kaybetmek, o metnin yanlış olduğunu görme yetinizi kaybetmekten çok daha az tehlikelidir.

4.8 Doğru Beklenti

Bu bölüm yapay zekâ kullanımına karşı bir uyarı metni değildir. Aktarılan bulgular, aracın işe yaramadığını değil, faydanın otomatik olmadığını göstermektedir.

Fayda, kullanım biçiminden doğar. Ortaklık modelinde çalışan, kısıtlarını kendisi koyan, çıktıyı doğrulayan ve kendi yetkinliğini koruyan bir kullanıcı, yapay zekâdan gerçek ve ölçülebilir kazanç elde eder. Aynı aracı devretme modelinde kullanan biri ise hem daha az kazanır hem de kendi denetleme kapasitesini zamanla kaybeder.

Bu kitabın geri kalanındaki tüm teknikler, ikinci değil birinci kullanıcıyı hedefler.

4.9 Bölüm Özeti

• Ölçülmüş verimlilik ile hissedilen verimlilik arasında büyük bir açıklık olabilir; his güvenilir bir ölçü değildir.
• Kazanç görünür ve toplu, maliyet görünmez ve dağınıktır; bu, sistematik muhasebe hatasına yol açar.
• Bilişsel boşaltım kaçınılmaz değildir; neyi devrettiğiniz, neyi yapabilir kaldığınızı belirler.
• Bu alandaki bulguların bir kısmı korelasyoneldir ve nedensellik olarak okunmamalıdır.
• Devretme ile ortaklık farklı modellerdir; sorumluluk testi hangisinin gerektiğini belirler.
• Otomasyon yanlılığı gerçektir ve akıcı dil tarafından güçlendirilir.
• Modelle birlikte yazmak içeriği homojenleştirebilir; kendi taslağınızla başlamak buna karşı koyar.
• Denetleme becerisi, üretim becerisinden daha kritiktir ve korunmalıdır.

Güncellik kontrolü: Bu bölümdeki bulgular 2025-2026 dönemine ait araştırmalara dayanmaktadır ve bu alan hızla gelişmektedir. Aktarılan çalışmaların bir kısmı, araştırmacıları tarafından sonradan sınırlandırılmıştır; metinde bu durum belirtilmiştir. Doğrulama tarihi: 25 Ağustos 2026.